CN109727041A - 智能客服多轮问答方法、设备、存储介质及装置 - Google Patents

Abstract

本发明公开了一种智能客服多轮问答方法、设备、存储介质及装置，该方法包括：获取用户当前轮次的目标问题；从知识库中查找与目标问题匹配的标准意图，获取标准意图与目标问题之间的匹配程度；判断标准意图与目标问题之间的匹配程度是否超过预设匹配阈值；未超过，对目标问题进行命名实体识别，获得识别结果；检测是否存在当前轮次之前的至少一轮用户问题中继承的信号，获得检测结果；根据识别结果、检测结果、目标问题和标准意图确定目标应答。本发明中，通过对目标问题进行命名实体识别和检测从之前几轮用户问题中继承的信号，从而确定出所述目标问题的实质性内容，从而进行相应的应答，能够与用户之间进行智能问答，提升用户体验。

Description

智能客服多轮问答方法、设备、存储介质及装置

技术领域

本发明涉及智能客服技术领域，尤其涉及一种智能客服多轮问答方法、设备、存储介质及装置。

背景技术

随着科技的发展，智能客服系统越来越得到重视，用户与智能客服出现多轮问答时，后面的几个问题可能会省略掉命名实体或信号，所述信号为从用户前几轮问题中继承到的用户意图，导致问题因缺失命名实体或信号而出现问题内容不明确的情况，导致智能客服系统在和用户进行多轮问答时，易出现无法判断问题的实质内容，无法进行相应的应答，导致用户体验差。因此，如何识别出多轮问答中用户问题的实质内容，以提高多轮问答中回复的准确度是亟待解决的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种智能客服多轮问答方法、设备、存储介质及装置，旨在解决现有技术中多轮问答中回复的准确度低的技术问题。

为实现上述目的，本发明提供一种智能客服多轮问答方法，所述智能客服多轮问答方法包括以下步骤：

获取用户当前轮次的目标问题；

从知识库中查找与所述目标问题匹配的标准意图，并获取所述标准意图与所述目标问题之间的匹配程度；

判断所述标准意图与所述目标问题之间的匹配程度是否超过预设匹配阈值；

若未超过，则对所述目标问题进行命名实体识别，获得识别结果；

检测是否存在所述当前轮次之前的至少一轮用户问题中继承的信号，获得检测结果；

根据所述识别结果、所述检测结果、所述目标问题和所述标准意图确定目标应答。

优选地，所述根据所述识别结果、所述检测结果、所述目标问题和所述标准意图确定目标应答，包括：

若所述识别结果为存在命名实体，并且所述检测结果为存在信号，则根据所述目标问题中的命名实体和信号确定信号意图；

计算所述信号意图和所述标准意图之间的第一相似度；

判断所述第一相似度是否超过预设相似度阈值；

若超过，则根据所述标准意图确定目标应答。

优选地，所述计算所述信号意图和所述标准意图之间的第一相似度之前，所述智能客服多轮问答方法还包括：

若所述检测结果为存在信号，但所述识别结果为不存在命名实体，则判断所述信号是否包括命名实体；

若所述信号不包括所述命名实体，则发出命名实体问询，并接收用户根据所述命名实体问询做出的命名实体回复；

根据所述命名实体回复和所述目标问题中的信号确定信号意图。

优选地，所述计算所述信号意图和所述标准意图之间的第一相似度，包括：

将所述信号意图和所述标准意图通过长期短期记忆网络模型进行语义特征提取，获得信号语义向量和标准语义向量；

计算所述信号语义向量和标准语义向量之间的余弦相似度，并将所述余弦相似度作为所述信号意图和所述标准意图之间的第一相似度。

优选地，所述对所述目标问题进行命名实体识别，获得识别结果，包括：

将所述目标问题通过所述长期短期记忆网络模型进行序列特征提取；

将提取出的序列特征通过条件随机场算法进行实体概率计算，并判断实体概率最大值是否超过预设概率阈值；

若所述实体概率最大值超过所述预设概率阈值，则认定所述实体概率最大值对应的特征为所述目标问题的命名实体，获得识别结果为存在命名实体；

若所述实体概率最大值未超过所述预设概率阈值，则获得识别结果为不存在命名实体。

优选地，所述从知识库中查找与所述目标问题匹配的标准意图，并获取所述标准意图与所述目标问题之间的匹配程度，包括：

通过ES检索从知识库中查找与所述目标问题匹配的候选意图集合；

计算所述目标问题与所述候选意图集合中的候选意图之间的第二相似度；

将所述第二相似度最高的候选意图作为与所述目标问题匹配的标准意图，并获取最高的第二相似度作为所述标准意图与所述目标问题之间的匹配程度。

优选地，所述计算所述目标问题与所述候选意图集合中的候选意图之间的第二相似度，包括：

计算所述目标问题与所述候选意图集合中的候选意图之间的语义特征、文本特征、句法特征和主题特征；

通过逻辑回归将所述语义特征、所述文本特征、所述句法特征和所述主题特征进行聚合，获得所述目标问题与所述候选意图集合中的候选意图之间的第二相似度。

此外，为实现上述目的，本发明还提出一种智能客服多轮问答设备，所述智能客服多轮问答设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的智能客服多轮问答程序，所述智能客服多轮问答程序配置为实现如上文所述的智能客服多轮问答方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有智能客服多轮问答程序，所述智能客服多轮问答程序被处理器执行时实现如上文所述的智能客服多轮问答方法的步骤。

此外，为实现上述目的，本发明还提出一种智能客服多轮问答装置，所述智能客服多轮问答装置包括：获取模块、查找模块、判断模块、识别模块、检测模块和确定模块；

所述获取模块，用于获取用户当前轮次的目标问题；

所述查找模块，用于从知识库中查找与所述目标问题匹配的标准意图，并获取所述标准意图与所述目标问题之间的匹配程度；

所述判断模块，用于判断所述标准意图与所述目标问题之间的匹配程度是否超过预设匹配阈值；

所述识别模块，用于若未超过，则对所述目标问题进行命名实体识别，获得识别结果；

所述检测模块，用于检测是否存在所述当前轮次之前的至少一轮用户问题中继承的信号，获得检测结果；

所述确定模块，用于根据所述识别结果、所述检测结果、所述目标问题和所述标准意图确定目标应答。

本发明中，获取用户当前轮次的目标问题，从知识库中查找与所述目标问题匹配的标准意图，并获取所述标准意图与所述目标问题之间的匹配程度，判断所述标准意图与所述目标问题之间的匹配程度是否超过预设匹配阈值，若未超过，则对所述目标问题进行命名实体识别，获得识别结果，检测是否存在所述当前轮次之前的至少一轮用户问题中继承的信号，获得检测结果，从而根据所述识别结果和所述检测结果确定出所述目标问题的实质性内容，根据确定出的实质性内容和所述标准意图进行相应的应答，能够与用户之间进行智能问答，提高多轮问答中回复的准确度，提升用户体验。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的智能客服多轮问答设备结构示意图；

图2为本发明智能客服多轮问答方法第一实施例的流程示意图；

图3为本发明智能客服多轮问答方法第二实施例的流程示意图；

图4为本发明智能客服多轮问答方法第三实施例的流程示意图；

图5为本发明智能客服多轮问答装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的智能客服多轮问答设备结构示意图。

如图1所示，该智能客服多轮问答设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对智能客服多轮问答设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及智能客服多轮问答程序。

在图1所示的智能客服多轮问答设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接智能客服设备；所述智能客服多轮问答设备通过处理器1001调用存储器1005中存储的智能客服多轮问答程序，并执行本发明实施例提供的智能客服多轮问答方法。

基于上述硬件结构，提出本发明智能客服多轮问答方法的实施例。

参照图2，图2为本发明智能客服多轮问答方法第一实施例的流程示意图，提出本发明智能客服多轮问答方法第一实施例。

在第一实施例中，所述智能客服多轮问答方法包括以下步骤：

步骤S10：获取用户当前轮次的目标问题。

应理解的是，本实施例的执行主体是智能客服多轮问答设备，其中，所述智能客服多轮问答设备可为个人电脑、服务器等电子设备。用户通常通过语音方式提出所述目标问题，则所述智能客服多轮问答设备可进行语音检测，当检测到用户发出的语音信息时，获取所述语音信息作为所述目标问题；或者通过所述智能客服多轮问答设备的显示界面输入所述目标问题，获取显示界面中用户输入的文本信息作为所述目标问题。

步骤S20：从知识库中查找与所述目标问题匹配的标准意图，并获取所述标准意图与所述目标问题之间的匹配程度。

在具体实现中，所述智能客服多轮问答设备的知识库中包括多种标准意图和对应的标准答复，可通过将所述知识库中的标准意图与所述目标问题进行比对，查找与所述目标问题一致的标准意图，作为与所述目标问题匹配的标准意图，所述标准意图与所述目标问题之间的匹配程度为100％，即完全匹配；若不能从所述知识库中查找到与所述目标问题一致的标准意图，可通过计算所述目标问题与所述知识库中的标准意图之间的相似度，将所述相似度最高的标准意图作为与所述目标问题匹配的标准意图，并将所述最高相似度作为述标准意图与所述目标问题之间的匹配程度。

步骤S30：判断所述标准意图与所述目标问题之间的匹配程度是否超过预设匹配阈值。

需要说明的是，为了提高所述智能客服多轮问答设备回复所述目标问题的准确度，需对所述标准意图与所述目标问题之间的匹配程度进行分析，若所述匹配程度较低，说明所述标准意图与所述目标问题的偏差较大，此时若将所述标准意图对应的答复作为所述目标问题的答复，会出现答非所问的情况，则需要通过对所述目标问题进行意图识别，进一步确定所述目标问题的意图，从而找到更加准确的答复。因此，通常预先设置预设匹配阈值，若所述标准意图与所述目标问题之间的匹配程度未超过所述预设匹配阈值，则说明所述标准意图不能体现所述目标问题的意图；若所述标准意图与所述目标问题之间的匹配程度超过所述预设匹配阈值，则说明所述标准意图能体现所述目标问题的意图，将所述标准意图对应的答复作为所述目标问题的答复，就能准确的回复用户的所述目标问题。本实施例中，所述步骤S30之后，还包括：若所述标准意图与所述目标问题之间的匹配程度超过预设匹配阈值，则获取所述标准意图对应的标准答复作为目标应答。所述获取所述标准意图对应的标准答复作为目标应答之后，还包括：将所述目标应答进行展示。

应理解的是，所述预设匹配阈值可根据历史数据，将回复准确度高的各历史问题与标准意图之间的匹配程度进行统计，从而确定出合适的预设匹配阈值，比如，回复准确度高的各历史问题与标准意图之间的匹配程度大多数都在80％以上，则可将所述预设匹配阈值设置为80％。若所述标准意图与所述目标问题之间的匹配程度超过80％，则可将所述标准意图对应的回复作为所述目标问题的回复进行展示；若所述标准意图与所述目标问题之间的匹配程度未超过80％，则不能将所述标准意图对应的回复作为所述目标问题的回复，还需对所述目标问题进行意图识别，进一步确定所述目标问题的意图，从而找到更加准确的答复。

步骤S40：若未超过，则对所述目标问题进行命名实体识别，获得识别结果。

可理解的是，若所述标准意图与所述目标问题之间的匹配程度未超过预设匹配阈值，说明所述标准意图与所述目标问题的偏差较大，所述目标问题可能存在缺失命名实体或缺失能体现用户意图的词句的情况，导致所述目标问题所呈现的意图不明确，此时若将所述标准意图对应的答复作为所述目标问题的答复，会出现答非所问的情况，则需要通过对所述目标问题进行意图识别，进一步确定所述目标问题的意图，从而找到更加准确的答复。所述意图识别包括对所述目标问题进行命名实体识别和检测是否存在所述当前轮次之前的至少一轮用户问题中继承的信号。

在具体实现中，所述命名实体识别(Named Entity Recognition，简称NER)，又称作“专名识别”，是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。对所述目标问题进行命名实体识别，可通过长期短期记忆网络(Long-Short TermMemory，简称LSTM)+条件随机场算法(conditional random field algorithm，简称CRF)模型实现。

步骤S50：检测是否存在所述当前轮次之前的至少一轮用户问题中继承的信号，获得检测结果。

需要说明的是，所述信号是指从上一轮或上几轮用户提出的问题中继承下来的用户意图，所述信号包括从上一轮或上几轮用户提出的问题中继承下来的命名实体或其他信息，随着传递轮数的增加，信号将越来越弱，当然用户的信号也可以通过设置，指定传递的轮数，比如信号设置为2，表示当前用户的意图只能往后传递两轮对话，第三轮对话开始时，该信号将会失效，因此，信号是有生命周期的，此生命周期可以由用户来设定，用户可对历史多轮对话中中的信号传递轮数进行统计，将历史多轮对话中信号传递占比最大的对话轮数作为所述信号的生命周期，而且所述信号在传递的过程中是会逐渐衰减的。

应理解的是，检测是否存在所述当前轮次之前的至少一轮用户问题中继承的信号，可通过检测所述信号的生命周期是否大于零，若所述信号的生命周期大于零，则可获取从上一轮或上几轮用户提出的问题中继承下来的信号作为所述目标问题的信号，所述信号能体现出用户的意图。

步骤S60：根据所述识别结果、所述检测结果、所述目标问题和所述标准意图确定目标应答。

可理解的是，若所述识别结果为存在命名实体，并且所述检测结果为存在信号，则可所述目标问题中的命名实体和信号确定信号意图，根据所述信号意图可从所述知识库中查找与所述信号意图匹配的标准意图，将查找到的标准意图对应的答复作为所述目标应答。

在具体实现中，若所述检测结果为存在信号，但所述识别结果为不存在命名实体，则判断所述信号是否包括命名实体，若所述信号不包括所述命名实体，则发出命名实体问询，并接收用户根据所述命名实体问询做出的命名实体回复，根据所述命名实体回复和所述目标问题中的信号确定信号意图，根据所述信号意图可从所述知识库中查找与所述信号意图匹配的标准意图，将查找到的标准意图对应的答复作为所述目标应答。

应理解的是，若所述识别结果为存在命名实体，但所述检测结果为不存在信号，则发出预设完整性问询，接收用户根据所述预设完整性问询所做出的完整性回复，根据所述完整性回复和所述目标问题中的命名实体确定信号意图，根据所述信号意图可从所述知识库中查找与所述信号意图匹配的标准意图，将查找到的标准意图对应的答复作为所述目标应答。所述检测结果为不存在信号，说明所述目标问题未从上一轮或上几轮的用户问题中继承到用户意图，则可直接问询用户的意图是什么，所述预设完整性回复，可以是告知用户所述目标问题不完整，请用户回复完整的问题，从而根据用户所做出的完整性回复，获得意图明确的问题，从而能从知识库中找到明确的回复作为所述目标应答。

需要说明的是，通常用户的问题是有命名实体和意图组成，用户在与所述智能客服多轮问答设备进行交互时，会因进行了多轮问答而省略掉前面一轮或几轮出现过的命名实体或意图，但通常不会出现将所述命名实体和意图同时省略的情况。

在第一实施例中，获取用户当前轮次的目标问题，从知识库中查找与所述目标问题匹配的标准意图，并获取所述标准意图与所述目标问题之间的匹配程度，判断所述标准意图与所述目标问题之间的匹配程度是否超过预设匹配阈值，若未超过，则对所述目标问题进行命名实体识别，获得识别结果，检测是否存在所述当前轮次之前的至少一轮用户问题中继承的信号，获得检测结果，从而根据所述识别结果和所述检测结果确定出所述目标问题的实质性内容，根据确定出的实质性内容和所述标准意图进行相应的应答，能够与用户之间进行智能问答，提高多轮问答中回复的准确度，提升用户体验。

参照图3，图3为本发明智能客服多轮问答方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明智能客服多轮问答方法的第二实施例。

在第二实施例中，所述步骤S60，包括：

步骤S601：若所述识别结果为存在命名实体，并且所述检测结果为存在信号，则根据所述目标问题中的命名实体和信号确定信号意图。

可理解的是，所述检测结果为存在信号，说明所述目标问题从所述当前轮次的前一轮或前几轮的用户问题中继承了用户意图，并且所述目标问题中存在命名实体，则可根据所述目标问题中的命名实体和从从所述当前轮次的前一轮或前几轮的用户问题中继承的信号确定信号意图。例如：多轮问答场景一，

问题1:活动什么时间开始？

应答1:请问您询问哪个活动？

问题2:活动A。

应答2:活动A的开始时间为：2018年5月4日。

在上述多轮问答场景一中，所述问题2存在命名实体，所述命名实体为活动A，也存在信号，所述信号为从问题1中继承的信号：什么时间开始，则根据所述命名实体和所述信号确定的信号意图为：活动A什么时间开始？

步骤S602：计算所述信号意图和所述标准意图之间的第一相似度。

需要说明的是，所述标准意图为从知识库中查找到的与所述目标问题匹配的意图，为了进一步确定所述标准意图是否与所述信号意图一致，从而能将所述标准意图对应的标准答复作为所述目标应答。所述标准意图是否与所述信号意图是否一致，可通过计算所述标准意图和继承下来的信号意图的语义相似度来判断，若所述语义相似度超过预设相似度阈值，认为是一致的，否则认为是不一致的。

应理解的是，语义相似度计算，主要采用基于LSTM的深度语义模型，获得标准意图语义向量和信号意图语义向量之间的余弦相似性，作为所述信号意图和所述标准意图一致性的衡量标准。经由LSTM网络，将标准意图和继承的信号意图表示为语义向量的形式，然后对两个语义向量计算余弦相似度，通过余弦相似度来确定是否为一致，若余弦相似度超过预设相似度阈值，认为所述信号意图和所述标准意图是一致的，否则认为所述信号意图和所述标准意图是不一致的。因此，本实施例中，所述步骤S602，包括：将所述信号意图和所述标准意图通过长期短期记忆网络模型进行语义特征提取，获得信号语义向量和标准语义向量，计算所述信号语义向量和标准语义向量之间的余弦相似度，并将所述余弦相似度作为所述信号意图和所述标准意图之间的第一相似度。

步骤S603：判断所述第一相似度是否超过预设相似度阈值。

在具体实现中，所述预设相似度阈值可根据历史数据，将回复准确度高的各历史问题对应的信号意图与标准问题之间的匹配程度进行统计，从而确定出合适的预设匹配阈值，比如，回复准确度高的各历史问题对应的信号意图与标准意图之间的匹配程度大多数都在90％以上，则可将所述预设相似度阈值设置为90％。若所述信号意图与所述标准意图之间的第一相似度超过90％，则可将所述标准意图对应的回复作为所述目标问题的回复进行展示；若所述信号意图与所述标准意图之间的第一相似度未超过90％，则不能将所述标准意图对应的回复作为所述目标问题的回复。

步骤S604：若超过，则根据所述标准意图确定目标应答。

可理解的是，若所述第一相似度超过所述预设相似度阈值，说明所述信号意图与所述标准意图一致，可通过从所述知识库中获取所述标准意图对应的答复作为所述目标应答，并将所述目标应答进行展示，可通过语音形式进行展示，还可通过所述智能客服多轮问答设备的显示界面进行展示，还可通过将所述目标应答发送至用户设备进行展示，还可通过其他方式进行展示，本实施例对此不加以限制。

需要说明的是，若所述第一相似度不超过所述预设相似度阈值，说明所述信号意图与所述标准意图不一致，则可直接问询客户的意图是否为所述信号意图，根据用户回复确定用户的真实意图，进而从知识库中查找到与用户回复的真实意图对应的答复作为所述目标应答。

在第二实施例中，所述步骤S602之前，还包括：

若所述检测结果为存在信号，但所述识别结果为不存在命名实体，则判断所述信号是否包括命名实体；

若所述信号不包括所述命名实体，则发出命名实体问询，并接收用户根据所述命名实体问询做出的命名实体回复；

根据所述命名实体回复和所述目标问题中的信号确定信号意图。

应理解的是，所述检测结果为存在信号，说明所述目标问题从所述当前轮次的前一轮或前几轮的用户问题中继承了用户意图，所述信号可以是命名实体或其他信息，若所述信号包括命名实体，则可根据所述信号和所述目标问题就可确定出用户的信号意图。例如：

多轮问答场景二，

问题3:活动A什么时间开始？

应答3:活动A的开始时间为：2018年4月5日。

问题4:什么时间结束？

应答4:活动A的结束时间为：2018年4月8日。

在上述多轮问答场景二中，所述问题4不存在命名实体，但存在从上一轮问题3中继承的信号为命名实体：活动A，则根据所述信号和所述问题4可确定出用户的信号意图为：活动A什么时间结束？

需要说明的是，若所述信号不包括所述命名实体，说明所述目标问题中不存在所述命名实体，从所述信号中也无法获知所述命名实体，则所述目标问题缺失命名实体，则可直接发出命名实体问询，以通过用户的回复确定所述目标问题的命名实体，从而更准确的识别出所述目标问题的意图。

在具体实现中，根据所述命名实体回复可明确知晓用户想了解的命名实体，再结合所述目标问题中的信号从而确定出完整的信号意图。

在第二实施例中，所述步骤S40包括：

将所述目标问题通过所述长期短期记忆网络模型进行序列特征提取；

将提取出的序列特征通过条件随机场算法进行实体概率计算，并判断实体概率最大值是否超过预设概率阈值；

若所述实体概率最大值超过所述预设概率阈值，则认定所述实体概率最大值对应的特征为所述目标问题的命名实体，获得识别结果为存在命名实体；

若所述实体概率最大值未超过所述预设概率阈值，则获得识别结果为不存在命名实体。

应理解的是，通过LSTM+CRF模型实现命名实体识别，通过LSTM网络的处理，相当于得到了一个比较好的对输入的所述目标问题的表示方法，LSTM单元最终输出的向量即可以看成是输入的所述目标问题的一种表示形式，最终在打标签阶段，通过LSTM与CRF结合，使用LSTM解决提取序列特征的问题，使用CRF有效利用了句子级别的标记信息。

在LSTM+CRF模型下，输出的将不再是相互独立的标签，而是最佳的标签序列。对于输入：|X＝(x1,x2,...,xn)|，我们可以定义LSTM的输出概率矩阵|Pn k|其中k是输出标签的个数。|Pi,j|是指第i个字被标记为第j个标签的概率。对于待预测的标签序列：|y＝(y1,y2,...,yn)|，我们可以有如下定义：

其中A是状态转移矩阵，|Ai,j|代表从第i个标签(tag)转移到第j个标签的概率。通过求得最大的|s(X,y)|，即可得到最佳的输出标签序列。这里引入的CRF，其实只是对输出标签二元组进行了建模，然后使用动态规划进行计算即可，最终根据得到的最优路径进行标注。

将所述目标问题输入LSTM+CRF模型，通过LSTM对所述目标问题进行序列特征提取，通过CRF对提取出的特征序列中的各特征进行实体概率计算，将实体概率最大的特征认定为所述目标问题的实体。但是，当输出的实体识别结果表示不存在命名实体，或者命名实体概率太小，认为所述目标问题不存在命名实体。

在第二实施例中，通过所述目标问题中的命名实体和从上一轮或上几轮中继承的信号确定出信号意图，若所述标准意图与所述信号意图一致，则将所述标准意图对应的标准答复作为所述目标应答，结合了上一轮或上几轮中传递的信息，从而提高多轮问答中回复的准确度。

参照图4，图4为本发明智能客服多轮问答方法第三实施例的流程示意图，基于上述图3所示的第二实施例，提出本发明智能客服多轮问答方法的第三实施例。

在第三实施例中，所述步骤S20包括：

步骤S201：通过ES检索从知识库中查找与所述目标问题匹配的候选意图集合。

可理解的是，ES为Elaticsearch简写，主要基于倒排索引的方式快速筛选候选意图集合。首先要用分词系统将知识库中各候选意图自动切分成单词序列，这样每个候选意图就转换为由单词序列构成的数据流，为了后续处理方便，需要对每个不同的单词赋予唯一的单词编号，同时记录下所述知识库中哪些候选意图包含这个单词，从而得到最简单的倒排索引。比如，知识库中包括5个候选意图，倒排索引中，“单词ID”一栏记录每个单词的单词编号，第二栏可记录对应的单词，第三栏可记录每个单词对应的倒排列表。比如单词“活动A”，其单词编号为1，倒排列表为{1,2,3,4,5}，说明所述知识库中每个候选问题都包含了这个单词。则可通过将所述目标问题切分成目标单词序列，从所述知识库中通过ES检索的倒排索引方式快速筛选出包含目标单词序列的候选意图，所述候选意图和对应的应答构成所述候选意图集合。

步骤S202：计算所述目标问题与所述候选意图集合中的候选意图之间的第二相似度。

应理解的是，为了从所述候选意图集合中确定出与所述目标问题匹配的标准意图，通常需计算所述目标问题与所述候选意图集合中的候选意图之间的第二相似度，将相似度最高的标准意图作为与所述目标问题匹配的标准意图，最能体现所述目标问题的真实意图。

进一步地，所述步骤S202，包括：

计算所述目标问题与所述候选意图集合中的候选意图之间的语义特征、文本特征、句法特征和主题特征；

通过逻辑回归将所述语义特征、所述文本特征、所述句法特征和所述主题特征进行聚合，获得所述目标问题与所述候选意图集合中的候选意图之间的第二相似度。

需要说明的是，语义特征主要是基于LSTM的深度语义模型获得；文本特征主要是基于TF-IDF(TF*IDF，TF词频，Term Frequency，IDF逆向文件频率，Inverse DocumentFrequency)值、编辑距离、最长公共子串和/或共有词占比等特征；句法特征基于哈工大的语言技术平台(Language Technology Platform，LTP)模型进行相似度计算；主题相似度基于文档主题生成(Latent Dirichlet Allocation，简写LDA)模型。最后训练一个逻辑回归(Logistic Regression，LR)模型，将以上特征结合在一起，进行聚合，获得所述目标问题与各候选意图之间的第二相似度。

步骤S203：将所述第二相似度最高的候选意图作为与所述目标问题匹配的标准意图，并获取最高的第二相似度作为所述标准意图与所述目标问题之间的匹配程度。

需要说明的是，所述相似度最高的候选意图与所述目标问题的真实意图最接近，则可将所述第二相似度最高的候选意图作为与所述目标问题匹配的标准意图，并获取最高的第二相似度作为所述标准意图与所述目标问题之间的匹配程度，通过所述匹配程度判断是否将所述候选意图对应的答复作为所述目标应答。

在第三实施例中，通过ES检索能从知识库中快速筛选出与所述目标问题匹配的候选意图集合，计算所述目标问题与所述候选意图集合中的候选意图之间的第二相似度，将所述第二相似度最高的候选意图作为与所述目标问题匹配的标准意图，并获取最高的第二相似度作为所述标准意图与所述目标问题之间的匹配程度，所述相似度最高的候选意图与所述目标问题的真实意图最接近，可根据所述匹配程度确定是否将所述候选意图对应的答复作为所述目标应答，从而提高多轮问答中回复的准确度。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有智能客服多轮问答程序，所述智能客服多轮问答程序被处理器执行时实现如上文所述的智能客服多轮问答方法的步骤。

此外，参照图5，本发明实施例还提出一种智能客服多轮问答装置，所述智能客服多轮问答装置包括：获取模块10、查找模块20、判断模块30、识别模块40、检测模块50和确定模块60；

所述获取模块10，用于获取用户当前轮次的目标问题；

所述查找模块20，用于从知识库中查找与所述目标问题匹配的标准意图，并获取所述标准意图与所述目标问题之间的匹配程度；

所述判断模块30，用于判断所述标准意图与所述目标问题之间的匹配程度是否超过预设匹配阈值；

所述识别模块40，用于若未超过，则对所述目标问题进行命名实体识别，获得识别结果；

所述检测模块50，用于检测是否存在所述当前轮次之前的至少一轮用户问题中继承的信号，获得检测结果；

所述确定模块60，用于根据所述识别结果、所述检测结果、所述目标问题和所述标准意图确定目标应答。

本实施例中，获取用户当前轮次的目标问题，从知识库中查找与所述目标问题匹配的标准意图，并获取所述标准意图与所述目标问题之间的匹配程度，判断所述标准意图与所述目标问题之间的匹配程度是否超过预设匹配阈值，若未超过，则对所述目标问题进行命名实体识别，获得识别结果，检测是否存在所述当前轮次之前的至少一轮用户问题中继承的信号，获得检测结果，从而根据所述识别结果和所述检测结果确定出所述目标问题的实质性内容，根据确定出的实质性内容和所述标准意图进行相应的应答，能够与用户之间进行智能问答，提高多轮问答中回复的准确度，提升用户体验。

本发明所述智能客服多轮问答装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种智能客服多轮问答方法，其特征在于，所述智能客服多轮问答方法包括以下步骤：

获取用户当前轮次的目标问题；

从知识库中查找与所述目标问题匹配的标准意图，并获取所述标准意图与所述目标问题之间的匹配程度；

判断所述标准意图与所述目标问题之间的匹配程度是否超过预设匹配阈值；

若未超过，则对所述目标问题进行命名实体识别，获得识别结果；

检测是否存在所述当前轮次之前的至少一轮用户问题中继承的信号，获得检测结果；

根据所述识别结果、所述检测结果、所述目标问题和所述标准意图确定目标应答。

2.如权利要求1所述的智能客服多轮问答方法，其特征在于，所述根据所述识别结果、所述检测结果、所述目标问题和所述标准意图确定目标应答，包括：

若所述识别结果为存在命名实体，并且所述检测结果为存在信号，则根据所述目标问题中的命名实体和信号确定信号意图；

计算所述信号意图和所述标准意图之间的第一相似度；

判断所述第一相似度是否超过预设相似度阈值；

若超过，则根据所述标准意图确定目标应答。

3.如权利要求2所述的智能客服多轮问答方法，其特征在于，所述计算所述信号意图和所述标准意图之间的第一相似度之前，所述智能客服多轮问答方法还包括：

若所述检测结果为存在信号，但所述识别结果为不存在命名实体，则判断所述信号是否包括命名实体；

若所述信号不包括所述命名实体，则发出命名实体问询，并接收用户根据所述命名实体问询做出的命名实体回复；

根据所述命名实体回复和所述目标问题中的信号确定信号意图。

4.如权利要求2所述的智能客服多轮问答方法，其特征在于，所述计算所述信号意图和所述标准意图之间的第一相似度，包括：

将所述信号意图和所述标准意图通过长期短期记忆网络模型进行语义特征提取，获得信号语义向量和标准语义向量；

计算所述信号语义向量和标准语义向量之间的余弦相似度，并将所述余弦相似度作为所述信号意图和所述标准意图之间的第一相似度。

5.如权利要求4所述的智能客服多轮问答方法，其特征在于，所述对所述目标问题进行命名实体识别，获得识别结果，包括：

将所述目标问题通过所述长期短期记忆网络模型进行序列特征提取；

将提取出的序列特征通过条件随机场算法进行实体概率计算，并判断实体概率最大值是否超过预设概率阈值；

若所述实体概率最大值超过所述预设概率阈值，则认定所述实体概率最大值对应的特征为所述目标问题的命名实体，获得识别结果为存在命名实体；

若所述实体概率最大值未超过所述预设概率阈值，则获得识别结果为不存在命名实体。

6.如权利要求1至5中任一项所述的智能客服多轮问答方法，其特征在于，所述从知识库中查找与所述目标问题匹配的标准意图，并获取所述标准意图与所述目标问题之间的匹配程度，包括：

通过ES检索从知识库中查找与所述目标问题匹配的候选意图集合；

计算所述目标问题与所述候选意图集合中的候选意图之间的第二相似度；

将所述第二相似度最高的候选意图作为与所述目标问题匹配的标准意图，并获取最高的第二相似度作为所述标准意图与所述目标问题之间的匹配程度。

7.如权利要求6所述的智能客服多轮问答方法，其特征在于，所述计算所述目标问题与所述候选意图集合中的候选意图之间的第二相似度，包括：

计算所述目标问题与所述候选意图集合中的候选意图之间的语义特征、文本特征、句法特征和主题特征；

通过逻辑回归将所述语义特征、所述文本特征、所述句法特征和所述主题特征进行聚合，获得所述目标问题与所述候选意图集合中的候选意图之间的第二相似度。

8.一种智能客服多轮问答设备，其特征在于，所述智能客服多轮问答设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的智能客服多轮问答程序，所述智能客服多轮问答程序被所述处理器执行时实现如权利要求1至7中任一项所述的智能客服多轮问答方法的步骤。

9.一种存储介质，其特征在于，所述存储介质上存储有智能客服多轮问答程序，所述智能客服多轮问答程序被处理器执行时实现如权利要求1至7中任一项所述的智能客服多轮问答方法的步骤。

10.一种智能客服多轮问答装置，其特征在于，所述智能客服多轮问答装置包括：获取模块、查找模块、判断模块、识别模块、检测模块和确定模块；

所述获取模块，用于获取用户当前轮次的目标问题；

所述查找模块，用于从知识库中查找与所述目标问题匹配的标准意图，并获取所述标准意图与所述目标问题之间的匹配程度；

所述判断模块，用于判断所述标准意图与所述目标问题之间的匹配程度是否超过预设匹配阈值；

所述识别模块，用于若未超过，则对所述目标问题进行命名实体识别，获得识别结果；

所述检测模块，用于检测是否存在所述当前轮次之前的至少一轮用户问题中继承的信号，获得检测结果；

所述确定模块，用于根据所述识别结果、所述检测结果、所述目标问题和所述标准意图确定目标应答。